| 摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 1 绪论 | 第8-15页 |
| ·研究背景 | 第8页 |
| ·流形、流形学习及其研究现状 | 第8-13页 |
| ·流形的定义 | 第10-11页 |
| ·流形学习及其研究现状 | 第11-13页 |
| ·本文研究内容 | 第13-14页 |
| ·论文组织结构 | 第14-15页 |
| 2 数据降维算法综述 | 第15-27页 |
| ·线性降维方法 | 第15-17页 |
| ·主成分分析方法（Principal Component Analysis，PCA） | 第15-16页 |
| ·线性判别分析（Linear Discriminant Analysis[12]，LDA） | 第16-17页 |
| ·非线性降维方法 | 第17-24页 |
| ·核主成分分析（KPCA） | 第17-18页 |
| ·多维尺度变换（Multidimensional Scaling，MDS） | 第18-19页 |
| ·Isomap | 第19-20页 |
| ·局部线性嵌入（Locally Linear Embedding， LLE） | 第20-22页 |
| ·Laplacian Eigenmaps | 第22-23页 |
| ·局部切空间排列（Local Tangent Space Alignment， LTSA） | 第23-24页 |
| ·算法分析与比较 | 第24-26页 |
| ·数据降维算法小结 | 第26-27页 |
| 3 改进的非线性数据降维方法及其应用 | 第27-36页 |
| ·引言 | 第27页 |
| ·LLE 算法回顾 | 第27-28页 |
| ·改进的LLE 数据降维方法 | 第28-30页 |
| ·理论分析 | 第28-29页 |
| ·改进的LLE 算法 | 第29-30页 |
| ·实验 | 第30-35页 |
| ·人造数据 | 第30-32页 |
| ·人脸图像 | 第32-33页 |
| ·改进算法在图像检索中的应用 | 第33-35页 |
| ·小结 | 第35-36页 |
| 4 一种基于密度的LLE 改进算法（DLLE） | 第36-42页 |
| ·引言 | 第36-37页 |
| ·基于密度的改进算法 | 第37-41页 |
| ·实验对比分析 | 第41页 |
| ·小结 | 第41-42页 |
| 结论 | 第42-44页 |
| 参考文献 | 第44-47页 |
| 攻读硕士学位期间发表学术论文情况 | 第47-48页 |
| 致谢 | 第48页 |
